R插入符号（svmRadial）保持西格玛恒定，并使用网格搜索C

我正在用带插入符号的径向基函数核（“svmRadial”）实现一个支持向量机。就我对文档和源代码的理解而言，

caret

使用一个分析公式来获得sigma的合理估计值，并将其固定到该值（根据输出：调整参数“sigma”保持在0.1028894的恒定值）。此外，

caret

交叉验证一组成本参数C（默认值=3）

然而，如果我现在想设置我自己的成本参数网格（tuneGrid），我必须另外指定一个sigma值。否则会出现以下错误：

错误：调整参数网格应具有sigma、C列

我如何根据分析公式确定西格玛，并且仍然实现我自己的成本参数网格C

这里是一个MWE：

library(caret)
library(mlbench)

data(BostonHousing)

set.seed(1)
index <- sample(nrow(BostonHousing),nrow(BostonHousing)*0.75)
Boston.train <- BostonHousing[index,]
Boston.test <- BostonHousing[-index,]

# without tuneGrid
set.seed(1)
svmR <- train(medv ~ .,
              data = Boston.train,
              method = "svmRadial",
              preProcess = c("center", "scale"),
              trControl = trainControl(method = "cv", number = 5))

# with tuneGrid (gives the error message)
set.seed(1)
svmR <- train(medv ~ .,
              data = Boston.train,
              method = "svmRadial",
              preProcess = c("center", "scale"),
              tuneGrid = expand.grid(C = c(0.01, 0.1)),
              trControl = trainControl(method = "cv", number = 5))

库（插入符号）
图书馆（mlbench）
数据（Boston外壳）
种子（1）
索引如果您查看模型的信息，它会显示如果您不提供以下信息，网格是如何生成的：

getModelInfo("svmRadial")$svmRadial$grid

function(x, y, len = NULL, search = "grid") {
                    sigmas <- kernlab::sigest(as.matrix(x), na.action = na.omit, scaled = TRUE)
                    if(search == "grid") {
                      out <- expand.grid(sigma = mean(as.vector(sigmas[-2])),
                                         C = 2 ^((1:len) - 3))
                    } else {
                      rng <- extendrange(log(sigmas), f = .75)
                      out <- data.frame(sigma = exp(runif(len, min = rng[1], max = rng[2])),
                                        C = 2^runif(len, min = -5, max = 10))
                    }
                    out
                  }

设置输入x和y，因为您提供了一个公式：

preProcValues = preProcess(Boston.train, method = c("center", "scale")) 
processData = predict(preProcValues,Boston.train)
x = model.matrix(medv ~ .,data=processData)[,-1]
y = processData$medv

我们使用这个模型的网格函数，你可以看到它和你的输出是一样的：

set.seed(1)
models$grid(x,y,3)

      sigma    C
1 0.1028894 0.25
2 0.1028894 0.50
3 0.1028894 1.00

svmR$results
      sigma    C     RMSE  Rsquared      MAE    RMSESD RsquaredSD     MAESD
1 0.1028894 0.25 5.112750 0.7591398 2.982241 0.8569208 0.05387213 0.4032354
2 0.1028894 0.50 4.498887 0.8046234 2.594059 0.7823051 0.05357678 0.3644430
3 0.1028894 1.00 4.055564 0.8349416 2.402248 0.8403222 0.06825159 0.3732571

这就是下面发生的事情：

set.seed(1)
sigmas = kernlab::sigest(as.matrix(x), na.action = na.omit, scaled = TRUE)
# from the code, you can see it takes the mean of the two extreme quantiles

mean(sigmas[-2])
[1] 0.1028894

您需要提供一个sigma列，例如expand.grid（C=C（0.01，0.1），sigma=0.1）？不太确定你想要你的西格玛做什么be@StupidWolf我知道我必须提供一个Sigma列。但是，插入符号似乎通过一个分析公式确定该值。所以我想把它固定到这个特定的值，然后使用网格搜索C。因此，在第一步中，我必须解析地导出sigma，以在tuneGrid中提供它。谢谢。但是，我建议编辑您答案的最后一个数字，因为如果您使用上面预处理过的x，sigma将获得我们在上面输出中看到的值：[1]0.1028894。所以这就是这里发生的事情。
set.seed(1)
sigmas = kernlab::sigest(as.matrix(x), na.action = na.omit, scaled = TRUE)
# from the code, you can see it takes the mean of the two extreme quantiles

mean(sigmas[-2])
[1] 0.1028894